تتبع الجسيمات الفردية على نطاق النانو، يستخدم فريق فانغ نينج في جامعة شيامن الذكاء الاصطناعي لتشغيل "Rock in the Cell"

في العالم المجهري، كل خلية هي مدينة مزدحمة، والجزيئات هي سكان هذه المدينة. تخيل لو أننا نستطيع تتبع كل تحركات هؤلاء السكان، ربما نتمكن من اكتشاف طبقة جديدة من لغز الحياة. وهذا هو الهدف الطموح للعلماء الذين يقومون بإجراء تتبع الجسيمات الفردية ثلاثية الأبعاد (SPT) في الخلايا الحية. تتيح هذه التقنية للناس مراقبة كل حركة للجزيئات في الخلايا وفهم كيفية تفاعلها مع بعضها البعض لبناء الكائنات الحية المعقدة.

ومع ذلك، فإن التتبع الدقيق في العالم المجهري ليس بالأمر السهل. تخيل أنه في فيلم تبادل إطلاق نار، يكون تتبع رصاصة سريعة الحركة أمرًا صعبًا بما فيه الكفاية، ولكن الجزيئات تتحرك أسرع بكثير من الرصاص، وتعقيد مسارات حركتها يتجاوز الخيال.إن التحدي الذي يواجه العلماء صعب مثل محاولة تتبع مسار كل ندفة ثلج في سماء مليئة بالثلج.

من أجل تتبع حركة الجزيئات في الوقت الحقيقي وبدقة في الفضاء الثلاثي الأبعاد للخلايا،**قام فريق البروفيسور فانغ نينج في جامعة شيامن بتطوير نظام آلي عالي السرعة ومتعدد الأبعاد لتتبع الجسيمات الفردية يعتمد على التعلم العميق.**إنه يكسر قيود تتبع دوران الجسيمات النانوية في البيئة الخلوية ويحقق تتبعًا شاملًا ودقيقًا للجزيئات الفردية / الجسيمات النانوية الفردية في الخلايا الحية على نطاق النانو. فهو لا يتتبع فقط تحركاتهم في الفضاء ثلاثي الأبعاد، بل يلاحظ أيضًا الحركة الدورانية للجزيئات/الجسيمات النانوية لأول مرة. وقد تم نشر البحث حاليًا في المجلة الموثوقة Nano Letters.

أبرز الأبحاث:

• تم إنشاء نظام تتبع جسيم واحد متكامل مع خوارزمية التعلم العميق للتغلب على قيود تتبع الدوران في ظل ظروف نسبة الإشارة إلى الضوضاء (S / N) المنخفضة.

• يمكن استخدام النظام لتتبع الاتجاه ثلاثي الأبعاد لمسبارات الجسيمات النانوية الذهبية المتباينة الخواص في الخلايا الحية بدقة تحديد موقع عالية (<10 نانومتر) ودقة مكانية زمنية (0.9 مللي ثانية)

• يتميز النظام بمتانة ومقاومة للضوضاء أفضل من الطرق التقليدية، وقد ثبتت فعاليته من خلال دراسة حركة البضائع على طول الأنابيب الدقيقة في الخلايا الحية.

**عنوان الورقة:*https://doi.org/10\.1021/acs.nanolett.3c04870***اتبع الحساب الرسمي ورد "Single Particle Tracking" للحصول على ملف PDF كامل

نظام SPT: نظام تتبع جسيمات مفردة متعدد الأبعاد، أوتوماتيكي، عالي السرعة

وللحصول على فهم أكثر شمولاً للعمليات الديناميكية في الخلايا الحية، طورت الدراسة أولاً جهاز تصوير متعدد الأبعاد:

كما هو موضح في الشكل أعلاه، يدمج جهاز التصوير التصوير المستوي ثنائي البؤرة، والمجهر المنظري، وقدرات التتبع التلقائي.

التصوير البؤري المزدوج

بعد أن يمر شعاع الضوء عبر المكثف، فإنه يمر عبر العدسة الموضوعية (OBJ) والماسح الموضوعي (OS). من خلال إدخال مقسم شعاع (BS) بنسبة انعكاس-نفاذية 7:3 في مسار الضوء المجمع، يمكن تقسيم الإشارة المجمعة إلى قناتين للتصوير (قناة التركيز وقناة عدم التركيز)، وبالتالي تحقيق التصوير ثنائي المستوى البؤري. يؤدي إدخال عدسة محدبة مقاس 750 مم (L1 في الشكل أعلاه) في قناة عدم التركيز إلى إنشاء فصل محوري يبلغ حوالي 900 نانومتر بين قناة التركيز وقناة عدم التركيز، وبالتالي إنتاج نمط عدم التركيز الأكثر ملاءمة.

مجهر المنظر

يتم تقسيم الإشارة المكتسبة بواسطة منشور إسفيني (WP) إلى صورتين معكوستين ومحاذيتين رأسياً. يقوم الجهاز بإنشاء علاقة دقيقة بين Δy و Δz ويقوم بإنشاء منحنى معايرة عن طريق تسجيل المسافة بين صورتين للمسبار في مواضع مختلفة على المحور z. يتم بعد ذلك تحديد موضع المحور z للمجس عن طريق حساب المسافة بين النقطتين المتطابقتين للمجس في المستوى xy.

وظيفة التتبع التلقائي

يتضمن الجهاز نظام تتبع ردود الفعل التلقائي، والذي يتكون من ماسح ضوئي موضوعي كهرضغطي (p-725.4CD) ووحدة تحكم (E-709). عندما تتسبب حركة المحور z للمسبار في تغيير المسافة بين نقطتي المرآة، يقوم برنامج التتبع التلقائي بحساب المسافة التي يحتاج الماسح المستهدف إلى التحرك بناءً على قيمة التغيير.

هندسة النموذج: طبقة الإدخال + 4 كتل ملتوية + 3 طبقات متصلة بالكامل

ولضمان تنوع توزيع البيانات، قامت هذه الدراسة بخلط نفس النسبة من البيانات المحاكاة والبيانات التجريبية للتدريب والتحقق من خلال تغيير حجم الصور، وإضافة درجات مختلفة من الضوضاء الغاوسية، وإجراء تحويلات المواضع.

مستوحاة من نموذج مجموعة الهندسة البصرية (VGG)، قامت هذه الدراسة ببناء نموذج شبكة عصبية ملتوية من خلال رسم صورة الإدخال إلى اتجاهات ثلاثية الأبعاد (زاوية السمت φ وزاوية القطب θ).

بشكل عام، يعد عدد الكتل التلافيفية أمرًا بالغ الأهمية لاستخراج ميزات الصورة متعددة الطبقات مع الخلفية. لذلك، قامت هذه الدراسة باختبار هياكل CNN باستخدام 1-4 كتل ملتوية.وتظهر النتائج أن نموذج CNN مع 4 كتل ملتوية لديه أصغر خطأ.

ومن النتائج،**يتكون نموذج CNN لهذه الدراسة في النهاية من طبقة إدخال، و4 كتل ملتوية، و3 طبقات متصلة بالكامل (FC).**في:

• تقبل طبقة الإدخال صورة ذات حجم ثابت وتحولها إلى موتر لتمريرها.

• تحتوي الكتل التلافيفية الأربعة على طبقات تلافيفية متعددة وطبقات تجميع:

أ. تحتوي كتل الالتفاف الأربعة على 64 و128 و256 و512 نواة الالتفاف على التوالي. حجم جميع نوى الالتفاف هو 3×3. تمر كل طبقة التفاف عبر تطبيع الدفعة ووظيفة تنشيط الوحدة الخطية المصححة (ReLU) لضمان قدرة النموذج على التقارب بشكل أسرع ومنع الإفراط في التجهيز، مع تعزيز قدرة الشبكة العصبية على رسم الخرائط غير الخطية؛

ب. تعمل طبقة التجميع على تقليل المعلمات الحسابية للشبكة مع ضمان ثبات الترجمة.

• يمكن للطبقات الثلاث المتصلة بالكامل، والتي تحتوي على 2048 و2048 و451 خلية عصبية على التوالي، دمج الميزات المستخرجة من الطبقات التلافيفية وطبقات التجميع في تعبيرات ذات مستوى أعلى، مما يتيح للشبكة اتخاذ قرارات وتصنيفات أكثر تعقيدًا.

من خلال دراسة منحنيات الخسارة للنماذج الثلاثة CNN-exp و CNN-sim و CNN-sim+exp، تظهر النتائج أنه بالنسبة لمجموعة البيانات المحاكاة،**يمكن أن يصل نموذج CNN إلى التقارب بعد 30 عصرًا.**في المقابل، يتطلب التدريب باستخدام مجموعة البيانات التجريبية حوالي 90 حقبة للتقارب. بالإضافة إلى ذلك، فإن سرعة التقارب لنموذج CNN-sim+exp سريعة نسبيًا.

تقييم مقاومة الضوضاء وبحث حركة البضائع: نموذج CNN يتمتع بمزايا أكثر

في التطبيقات العملية، تؤثر الدقة المكانية الزمنية العالية وقابلية الخلايا للحياة على تصوير الخلايا الحية. لذلك، قامت هذه الدراسة باختبار مقاومة الضوضاء ومتانة نموذج CNN في ظل ظروف مختلفة لنسبة الإشارة إلى الضوضاء مثل 4 و2 و1.4، وقارنتها بطريقة CC (معامل الارتباط) التقليدية.

تظهر نتائج البحث أنه عندما تكون نسبة الإشارة إلى الضوضاء 4، فإن كل من طريقتي CNN وCC تظهران أداءً جيدًا وأخطاء صغيرة، حيث تكون الأخطاء أقل من 2 درجة؛ عندما تنخفض نسبة الإشارة إلى الضوضاء إلى 2، فإن زيادة الخطأ في طريقة CNN هي خمس الزيادة في طريقة CC فقط؛ عندما تكون نسبة الإشارة إلى الضوضاء 1.4، لا تستطيع طريقة CC التمييز بين اتجاه الجسيمات، في حين أن خطأ نموذج CNN لا يزال ضمن نطاق مقبول.

يوضح هذا أنه في بيئة نسبة الإشارة إلى الضوضاء المنخفضة، يكون نموذج CNN أكثر مقاومة للضوضاء وأكثر قوة من طريقة CC.

الطاقة المولدة بواسطة تحلل ATP هي "المحرك" الذي يحرك الجزيئات داخل الخلية لنقل البضائع. لذلك، فإن الحركات الانتقالية والدورانية المميزة للحمولة يمكن أن توفر ثروة من المعلومات حول حالة ربط الحمولة بالكينيسين وتوفر منظورًا جديدًا لتوضيح دراسة تفاعلات الحمولة والمحرك والأنابيب الدقيقة. ببساطة، استخدمت هذه الدراسة جهاز تصوير SPT متعدد الأبعاد عالي السرعة أوتوماتيكيًا جنبًا إلى جنب مع نموذج التعلم العميق (نموذج CNN-sim+exp) لدراسة العملية الديناميكية للبروتينات الحركية التي تنقل البضائع على طول هيكل الأنابيب الدقيقة في الخلايا الحية.

خلال عملية النقل بأكملها، مرت البضائع بمرحلتي توقف وعدة مراحل نقل نشطة.

خلال التوقف الأول، تتمتع الشحنة بحرية دوران قليلة، مما يشير إلى أنها في وضع مرتبط بإحكام. بين مرحلتي التوقف، تكون البضائع في مرحلة نقل نشطة.**سجل نظام التتبع التلقائي إزاحة محورية تبلغ حوالي 300 نانومتر.**من الصعب الحصول على ذلك باستخدام طرق التصوير التقليدية.

في مرحلة التوقف الثانية، يتم تبديل حالة حركة البضائع باستمرار بين التعلق الضيق والدوران المربوط. في وضع التعلق الضيق، يمكن ربط البضائع بإحكام بالأنابيب الدقيقة من خلال مجموعة متنوعة من البروتينات الحركية ونادراً ما تدور بحرية. في وضع الدوران المربوط، تكون البضائع مرتبطة بشكل فضفاض بالأنابيب الدقيقة وتبحث باستمرار عن أنابيب دقيقة جديدة وتتصل بها. على العموم،تسلط هذه السلسلة من الحركات الضوء على ديناميكيات وتعقيد النقل داخل الخلايا ودور الكينيسين في تسهيل حركة البضائع على طول مسارات الأنابيب الدقيقة.

بعد أن عمل في الولايات المتحدة لمدة 13 عامًا، عاد إلى جامعته الأم

وبناء على بحث معمق أجراه الباحثون، جاء إلينا المؤلف المراسل لهذه الورقة، البروفيسور فانغ نينغ من جامعة شيامن. من منظور تجربة الدراسة،يعد البروفيسور فانغ نينج نموذجًا لـ "السعي إلى النجاح ورد الجميل لجامعته الأم".

في عام 1998، بعد تخرجه من قسم الكيمياء بجامعة شيامن، أجرى البروفيسور فانغ نينج أبحاث الدكتوراه وما بعد الدكتوراه في جامعة كولومبيا البريطانية في كندا ومختبر أميس الوطني التابع لوزارة الطاقة الأمريكية، تحت إشراف البروفيسور ديفيد دي تشن والبروفيسور إدوارد إس. يونغ، وهو كيميائي تحليلي مشهور دوليًا على التوالي.

**بعد العمل في الولايات المتحدة لمدة 13 عامًا، تمت ترقية البروفيسور فانغ نينج إلى منصب أستاذ كامل في جامعة ولاية جورجيا. من أجل تقديم مساهمات في مجال التصوير البصري في البلاد، عاد البروفيسور فانغ نينج إلى الصين بدوام كامل في عام 2021.**انضم إلى كلية الكيمياء والهندسة الكيميائية بجامعة شيامن كأستاذ متميز، وقام بتطوير تقنيات التصوير الكيميائي والبصري الحيوي. وبالاعتماد على هذه الأدوات الرائدة، أجرى أبحاثًا على الجزيء الواحد والجسيم الواحد في مجالات المواد النانوية، والتحفيز، والفيزياء الحيوية. حتى الآن، نشر أكثر من 90 ورقة بحثية في مجلات مثل Nature Catalysis، وNature Cell Biology، وChemical Reviews، وNature Communications، وScience Advances، وJACS، وAngewandte Chemie.

في الوقت الحاضر، قام البروفيسور فانغ نينج ببناء مختبر مستقل للجزيء الواحد والجسيم الواحد والمجهر الضوئي في جامعة شيامن. مع التركيز على مجال التصوير البصري للجزيئات والمواد النانوية، قام بتطوير ستة اتجاهات بحثية رئيسية في الصين، بما في ذلك تكنولوجيا تتبع دوران الجسيمات الفردية، مطيافية رامان + التصوير المتقدم، تصوير مسح الصفائح بالليزر، التصوير البصري فائق الدقة، الانعكاس الداخلي الكلي الفلوري، والمجال المظلم للانعكاس الداخلي الكلي. وقد حقق إنجازات بارزة في مجالات الجزيء المفرد، والجسيم المفرد، والمجهر الضوئي.

في وقت مبكر من عام 2021،**قام فريق البروفيسور فانغ نينج بتطوير نظام جديد لتتبع دوران الجسيمات الفردية وتقنية تتبع الجسيمات الفردية بزاوية ثلاثية الأبعاد.**لقد تم تحقيق تقدم كبير في توضيح آلية عملية البلعمة بوساطة المستقبلات وتحليل ديناميكيات الدوران لنقل الحويصلات في الخلايا في الوقت الحقيقي. وفي مواجهة الموجة المتصاعدة من الذكاء الاصطناعي، أدرك الفريق بذكاء القيمة المتميزة لتكنولوجيا الذكاء الاصطناعي في مجال التصوير البصري. تُعد هذه الدراسة الخطوة الأولى في استخدام التصوير بمساعدة التعلم العميق والذكاء الاصطناعي لدراسة العمليات الحيوية للخلايا الحية.

يعتقد فريق البروفيسور فانغ نينج أن**ويتطلب إدخال الذكاء الاصطناعي في التجارب تحقيق اختراقات في ثلاثة مجالات رئيسية: التعرف التلقائي على الصور، وتصنيف وتوقع أنماط الحركة وسلوكيات الخلايا.**وتمثل نتائج البحث الإنجازات المؤقتة للمرحلة الأولى من التعرف التلقائي على الصور استنادًا إلى البيانات الناتجة عن المحاكاة الحاسوبية. ويعمل الفريق حاليًا على تحديد وتوصيف العمليات البيولوجية الخلوية التي تحدث خلال المرحلة الثانية.

ليس هناك شك في أنه عندما يتم استكمال المراحل الثلاث، قد يتمكن الباحثون من التنبؤ بعملية ونتائج توصيل الدواء، وهو ما سيقود أيضًا صناعة الأدوية المحلية.

**مراجع:**1.https://mp.weixin.qq.com/s/mcO\_7Mg40OmyauhbeB91QA**2\.https://mp.weixin.qq.com/s/NnHGnBZRRbDOI\_2sZu7irA**3\.https://mp.weixin.qq.com/s/CUWhLnA\-HuvxdZDzMfDxAA